¿Qué significa gnn?
Recientemente, descubrí que muchos problemas de modelado usan el método GNN, así que fui a estudiarlo. Más tarde, encontré un artículo de explicación visual muy bueno de GNN, así que lo traduje y lo compartí con todos. Compartir juntos.
En la actualidad los modelos de gráficos son muy utilizados, los más típicos son redes sociales, estructuras de proteínas, etc. Recientemente, se han aplicado cada vez más algoritmos de gráficos a problemas como recomendaciones de búsqueda, series de tiempo, etc., y han logrado un gran éxito. En este artículo, comprenderemos intuitivamente las redes neuronales de gráficos sin ninguna matemática.
En las redes sociales, se puede utilizar para agrupar usuarios. Construye un gráfico basado en la información de seguimiento y seguimiento de cada usuario, y luego aprende la agrupación de información incorporada de cada usuario.
Si le damos a los nodos y a los bordes diferentes significados, entonces el gráfico puede contener mucha información. Por ejemplo, si cada nodo es un usuario y el borde es una llamada telefónica, entonces puede representar un teléfono. interacción social relacionada; si los nodos son productos y los bordes representan el pedido de compra del usuario, entonces es la red de compras del usuario.
Unidades recurrentes, incrustación de representaciones vectoriales y redes neuronales feedforward. Todos los nodos se convierten en una unidad recurrente y todos los bordes forman una red neuronal directa.
Una vez completada la transformación de nodos y aristas, el gráfico realiza el paso de mensajes entre nodos. Este proceso también se conoce como agregación de vecindarios porque implica enviar mensajes desde los nodos circundantes alrededor de un nodo de referencia determinado a través de bordes dirigidos.
Para los GNN, para un único nodo de referencia, los nodos vecinos pasan su información (incrustaciones) a través de la red neuronal de borde a la unidad recursiva en el nodo de referencia. La nueva incorporación de la unidad recursiva se actualizará aplicando dicha función recursiva a la suma de las salidas de la red neuronal marginal de las incorporaciones actuales y las incorporaciones de nodos vecinos.
En la actualidad, cada nodo tendrá más conocimiento sobre la información (características) de sí mismo y de los nodos vecinos, obteniendo así una representación más precisa de todo el gráfico. Para un procesamiento posterior en niveles superiores en la canalización, o simplemente para representar el gráfico, podemos sumar todas las incrustaciones para obtener un vector que represente el gráfico completo.
Usar H a menudo funciona mejor que usar matrices de adyacencia, que no representan características o aspectos únicos del gráfico a pesar de cualquier distorsión del gráfico: solo conexiones de borde entre nodos.